基于深度学习的GPR时频域联合电磁反演方法

对探地雷达(ground penetrating radar, GPR)数据进行电磁反演可以获得探测区域中目标的几何参数和电磁参数.本文针对GPR时域数据与频域数据在图像域的特征差异,首先设计了基于深度学习的GPR维度变换自编码器提取GPR回波数据的时域特征,并对GPR时频域特征进行一致化处理;然后设计了基于时频融合数据的电磁反演处理框架GPR-EInet,并分别使用2 000和200个GPR B-Scan数据对GPR-EInet进行训练和测试.仿真实验结果表明,GPR-EInet可以在SNR=-10 dB、目标介电常数与背景介电常数的相对偏差为50%的情况下实现单/双目标的电磁反演,介电常数反演结果与真实值的结构相似性指数（structure similarity index measure, SSIM）达到了0.995 64.分别运用GPR-EInet、ünet与PINet对仿真数据进行电磁反演,结果表明：GPREInet的抗噪性能要优于PINet与ünet.对实测的GPR数据也开展了电磁反演实验,获得了探测区域的目标参数信息.与单独的时域或频域数据反演相比,时频融合数据提升了GP...     

一种基于深度摄像机的3D人体步态建模和识别方法

步态识别在反恐、安防、智能监控和现实挖掘等领域具有广泛的应用前景,但现有的二维步态分析方法在面对视角变化、物体携带等复杂应用场景时受到限制。对此,探讨一种以人体点云数据为基础的三维参数化步态建模和识别方法。运用深度摄像机获取人体点云数据,对标准的参数化人体模型进行形体和姿态变形;通过观测步态点云轮廓与标准三维参数人体轮廓之间的距离度量函数,运用改进鲍威尔法进行极小值求解,实现人体点云数据到三维参数化步态模型的估计;以估计的三维人体姿态和形体语义参数作为结构化步态数据,通过具有时序结构的长短时序记忆模型来提取步态时空特征,借助SoftMax分类器进行训练,实现人体步态识别。实验结果表明,基于三维的人体步态识别方法在处理视角可变的步态识别问题上有很好的效果和应用前景。